Введение
ГЛАВА 1. Аналитический обзор моделей и методов прогнозирования 15
1.1. Анализ и классификация видов прогнозов и методов прогнозирования 15
1.2. Анализ математических основ прогнозирования 22
1.3. Анализ временных рядов 25
1.4. Анализ моделей стационарных временных рядов 27
1.5. Анализ моделей нестационарных временных рядов 30
1.6. Прогнозирование производственных показателей на основе моделей временных рядов 32
1.7. Анализ метода группового учета аргументов (МГУА) 35
1.8. Проблемы прогнозирования с использованием структурных моделей 37
1.9. Прогнозирование с использованием нейронных сетей и генетических алгоритмов 39
1.10. Постановка задачи исследования 43
ГЛАВА 2. Прогнозирование временных рядов на основе нейрокомпьютерных технологий 47
2.1. Математическая постановка задачи прогнозирования 48
2.2. Классификация нейронных сетей, сравнительный анализ существующих методов и алгоритмов обучения нейронных сетей 51
2.3. Комбинированная нейронная сеть «многослойный перцептрон» - «карта Кохонена» 59
2.4. Анализ эффективности использования простых нейронных сетей для прогнозирования спроса на продукцию 63
2.5. Зависимость времени обучения нейронной сети от количества нейронов в скрытых слоях 66
2.6. Анализ эффективности использования комбинированной нейронной сети 69
2.7. Критерии оценки качества прогнозирования 72
2.8. Задача повышения скорости обучения нейронных сетей 74
ГЛАВА 3. Методика решения задачи прогнозирования состояния производственного предприятия 78
3.1. Этапы решения задачи прогнозирования 78
3.2. Анализ объекта прогнозирования с использованием теории динамических систем 80
3.2.1. Основные положения теории хаоса 82
3.2.2. Практические исследования стохастических характеристик динамики спроса на профилированный лист 84
3.2.3 Построение фазового портрета. Восстановление аттрактора по временному ряду 89
3.2.4. Вычисление корреляционного интеграла. Вычисление корреляционной (фрактальной) размерности аттрактора , 90
3.2.5. Вычисление корреляционной энтропии , 91
3.3. Выбор состава входных факторов. Предварительная обработка данных 92
3.4. Определение параметров модели прогнозирования 98
3.4.1. Исключение избыточности данных 98
3.4.2. Определение архитектуры и структуры нейронной сети 101
3.5. Обучение нейронной сети 103
3.5.1. Подготовка данных 103
3.5.2. Описание методики одношагового прогнозирования с применением комбинированной нейронной сети 105
3.6. Апробация методики 107
ГЛАВА 4. Система автоматизированного прогнозирования. оценка погрешности вычислений в нейронных сетях 109
4.1. Сравнительный анализ существующих систем автоматизированного прогнозирования на основе нейронных сетей. Общие требования к современным САП 109
4.2. САП как подсистема АСУП на предприятии ООО «Стальные конструкции -Профлист» 113
4.3. Сравнительная оценка качества прогнозирования спроса на продукцию классических моделей и нейросетевой модели 118
4.4. Эффективность применения нейронных сетей для прогнозирования рядов с выраженным трендом 123
4.5 Оценка погрешности многослойного перцептрона в комбинированной нейронной сети 124
Заключение 132
Список использованных источников 134
